从纸质时代的地图图册转变为以数字化的解决方案，这是汽车工业时代初期赋予地图的新革命。但伴随着智能手机与导航的进步，车载地图的发展一直未能在汽车体系中崭露头角。

而伴随着新能源汽车革命的发展与智能驾驶的推进，高精地图的发展又重新站在行业的聚光灯下，曾一度无人问津的市场已有众多前行者悄然进场，而高精地图的发展之速，已成为占领下一阶智能驾驶的高地。

高精地图 为何物？

高精地图与传感器一样，已经成为自动驾驶技术关键组成部分，但与传统车载地图以及手机导航不同的是，高清地图是作为高精度、多数据维度、高动态的电子地图，而其中的定位技术也是自动驾驶的核心。

高精地图对路网有精确的三维表征，在精度上需要精确至厘米级，而在多维度也意味着必须做到对道路感知上的多角度环境信息，包括详细道路模型、道路部件等。

此外对于高精地图而言还必须做到分钟级甚至到秒级的更新频率，这与普通地图上的小时级、月级更新频率有很大的差别。

现如今，高精地图的“预知性”可以为我们的传感器做许多“弥补”，包括扩大环境感知、定位、规划等都发挥至关重要的作用。

例如我们走在一条未曾走过的路，高精地图则可以为传感器的实时能力做补充，减少算力压力的同时也能解决许多问题。

目前在感知层、决策层、控制层中，感知大多只是基于传感器组成，而高精地图的带来则可以将感知层达到闭环，并为决策端提供定位、规划、预测。

如何制作高精地图：

实现高精度地图的前提是必须采集大量的数据作为存储，一类是基于普通道路数据，例如车道线、坡度、曲率等车道信息；另一类则是车道周边的静态对象信息，包括交通标志、信号灯、限高、道路边缘类型、地标等基础设施信息。

1.数据收集。

地图信息的采集需要GNSS（全球导航卫星系统）、IMU（惯性测量单元）、轮速计、激光雷达点云以及摄像头图像。其中 GNSS可以提供车辆的绝对坐标，IMU 和轮速计可以提供车辆的相对位置信息，激光雷达点云和摄像头可以提供车辆周围的三维环境信息。

2.数据清洗以及自动化识别。

数据采集完毕后，则需要对数据进行预处理，包括数据抽取、时间对齐、图像去畸变和点云去畸变等过程，并把地图里的必要信息处理出来，包括车道线、红绿灯、十字路口等等各种重要信息。

3.处理和验证。

数据出来之后，还需要进行后处理和验证，处理的最终目的是保证提供的地图信息是准确的，需要对每一帧的点云数据做位姿优化，并进行点云叠加最后生成了高精点云地图。在点云地图的技术上再建立车道线模型、增加车道线以及道路分隔线等提高真实性，最终通过人工验证。

高精地图，到底有何魅力？

1.提供感知补充。

在目前的汽车上所携带的传感器包括摄像机、雷达甚至激光雷达，都成为感知系统，对车辆、行人、路标、车道线、信号灯进行识别感知，而高精地图则成为基于传感器下的补充，能够提供以上感知范围外的信息，克服感知局限，扩大感知范围。

车载传感器探索范围也会达到其能达到的性能边界，而高精地图的出现则将会克服这道“软肋”，延伸感知范围，实现感知闭环。

此外因环境因素等带来的感知缺陷，例如 camera 在直射光、暴雨等恶劣环境出现的车道线识别缺陷等，激光雷达在大雾等环境下以及受车辆等遮挡遮挡车道线、信号灯等情况下 ，高精地图可对环境信息进行填补。

在新出行体验小鹏  NGP 中，蔚来、特斯拉都在雨天等恶劣天气下出现摄像头视野受限系统退出，而特斯拉也因中国道路路况的复杂性，缺乏本土化带来的局限，很大部分都来源于视觉方案带来的局限性。

2.冗余

冗余最早也是从飞机常用术语演变而来，也是最早应用在飞机电子控制系统中进行安全备份，而到高阶的智能驾驶时，冗余的设计方案也成为必不可少的部分，并且需要贯穿至整个感知、定位、决策规划等环节。

而作为冗余设计中的一部分，当车辆布局的传感器暂停工作或是数据丢失时，高进地图则可以随时进行推送“替补”。

3.协同工作

高精地图也可以帮助传感器“减负”，传感器不再需要大范围进行感知，而是通过高精地图所提前预知的道路、路标等信息等，传感器则只需要负责其“兴趣”板块，这样也会大大的降低算力成本，提高精度与效率。

同时作为延伸，其实高精地图也是与传感器二者也是协同工作的。

引用 TomTom Automotive 高级产品营销人员 Tomaso Grossi 曾提到一个观点：“我们不认为高清地图是独立产品，而是与车辆中的其他传感器连接一起，并高精地图交付给汽车本身，利用多种来源（例如不同类型的车辆传感器）来确保该地图实时更新。”

此外摄像头可以作为识别道路基础本身，包括车道边缘线、交通标志等，类似固定的物体也可以结合高精地图数据进行比较，以此确定了车辆的确切位置。

4.辅助规划路径

涉及到规划，也就意味着必须涉及到决策，高精地图可以辅助道路上车辆的轨迹预测。

高精地图能够对车道线、限速、坡度信息等，可以实现对车辆行驶速度、变道轨迹、节油驾驶等的规划，以便其做出合理的行为规划决策。

在实际运用中，例如对对道路的限速以及道路线进行识别，可以控制车速以及预测车辆在实线内变道的可能性小等，再做决策规划。

离我们最近的高精地图应用，是什么样子？

1.扩大不接管范围

对于具备超视觉的高精地图而言，可以通过预存道路数据，这便可以结合 ACC LKA 下克服由于大转盘、匝道转弯等场景带来的“闪退”，高精地图可以通过预判断来告知决策层减速，最后顺利脱手，可以扩大用户不接管的范围。

2.主动入匝道

目前全球三家实现自动领航辅助驾驶已顺利会师，来自特斯拉、蔚来以及小鹏的 NOA、NOP 以及 NGP，可实现包括但不限于自动变换车道、自动进出匝道切换高速等等。

而其中 XPILOT 3.0 带有亚米级高精定位系统，可实现高速自主导航驾驶：在高精度地图所覆盖的高速公路，实现从 A 点到 B 点的自动驾驶，我们在实测中也发现 NGP 在实际道路上的运用最为稳定。

其中的路线逻辑是线结合导航地图来规划出行路线，再将规划路线给到高精地图，高精地图基于“行驶路线”计算出“车道级路径规划”，最终在给决策做规划。

在高精度地图的云计算辅助下，可以提供最新的路况，根据导航路径规划的指引让车辆自主驶入匝道。

3.提升鉴别能力

在高精地图的制作中，会筛选掉车辆、行人等活动障碍物，如果这辆在行驶途中车遇到地图中没有的物体，这些物体可识别为车辆、行人和障碍物，也可以不占用过多的处理能力。

实现地图难不难？ 难

高精地图关键局被定在了前期，如何拥有一个开局很大程度上决定了后续发展的可行性。

步入高精地图也不会一件容易的事，第一是需要大量资金、第二是实现高精地图的技术、第三则是资质问题。

1.钱。采集高精地图前期需要投入大量的资金，用在制图设备以及采集工作上，而前期稳定后则通过不断的数据更新还有日常维护中，而要做到有效更新也就意味着需要有强大的团队与数据管理等来支持，与我们日常使用的免费手机导航地图不同，高精地图这类投入必须增加至 OEM 的授权费中。

但如今最为主流的更新方式是先让测绘车先“画”，然后在实时更新数据桑拿则采用众包的方式来完成，以此来降低成本。

显然赶上新能源的大格局，这项众包则大概率落在了现在在路上跑的装载高精地图的车上，可以辅助完成数据更新。

2.高精定位的可靠性。

目前主流的融合定位方案是高精度地图+ GNSS +定位服务（RTK）+ADAS 相机+IMU+车辆 CAN 信号，而如果要达到可靠的定位效果，单凭这套方案显然达不到，卫星定位，接收机的作用非常关键，对定位的影响效果很大，不同性能的接收机效果差很多。而双天线版本的优势在于可以静止定向，也就意味着可以做到车体姿态航向。

目前一种解决方案是在基础上升级至 GNSS 接收机+双频 RTK 定位等服务，例如小鹏就采用了双频 GNSS。但这类服务从目前上看，大规模普及的成本依旧很高，真不便宜。

3.资质问题。

与美国不同，国内的市场对于测绘有着政策限制。在《关于加强自动驾驶地图生产测试与应用管理的通知》中规定：自动驾驶地图（高精地图）属于导航电子地图的新型种类和重要组成部分，其数据采集、编辑加工和生产制作必须由具有导航电子地图制作测绘资质的单位承担。

而 BAT 阵营都采用收购或者入股的方式入局，最早的是百度，随后腾讯紧随其入股四维图新。而滴滴则“自食其力”成立滴图科技，在 2017 年拿到了导航电子地图制作（甲级）测绘资质。

而资质的限制也就意味着未能越过门槛的玩家可能会在竞争中率先出局。

申请资质的难度与智能驾驶的发展加速，在二者的“催化”下，使得高精地图的测绘厂商们必须加快订单落地，以平躺成本的方式加速成本消化、完成数据更新，以此来扩大自己的版图优势，没错，现如今制图商也在加速淘汰过程。

无法消化成本，也就意味着倒在资本脚下。

高精地图生变：马斯克的否定论

与谷歌、HERE 、百度等以测绘车为代表的技术不同，代替高精地图的另一个方案是直接采用“众包”的方式，最激进便是特斯拉。

重写后的 FSD， 毫不意外又“惊艳”了一把，但也引发了人们对于高精地图存在必要性的新思考。

特斯拉显然在视觉方向上开辟了一条新路，初初特斯拉就强调不采用基础地图作为数据，而是通过训练感知与预测算法，实现实时数据的目的。

而现如今显然已经实现了一半。特斯拉通过全球各地的特斯拉车辆采集的大量数据训练深度神经网络，以 8 个摄像头作为环境感知，也可以形成 360 度图像，似乎也能达到绘制地图的目的。

特斯拉一向凭借“够用就好”的研发逻辑，似乎也能剔除高精地图的所带来的高额费用。

而除了特斯拉，Mobileye 也有自己的解决方案。

 Mobileye 将地图创建过程称为 Road Experience Management™– REM™。

同样采用众包的方法，将已经在路上并配备了 Mobileye 的 EyeQ4 驾驶辅助系统的车辆作为收集地图数据的来源。

EyeQ4 的摄像头有识别和处理车道标记，路缘，地标，交通标志，电线杆和其他基础设施，而上传的数据大小经过压缩可以缩小至每公里大约 10 KB。

而另一个好处是 Mobileye 也可以不用再花费附加的实时更新的费用，就可以不断进行自行更新、验证、创建等。

特斯拉 FSD Beta 的推送，再一次将高精地图推向了风口浪尖。高精地图之争在自动驾驶未成埃落定前，注定成为饱受争议的焦点。

目前高精地图的发展依旧未成定局，也存在着众多挑战，包括政策限定下的因地图偏转与定位精准带来不稳定性，还有后期维护与更新等都会带来限制。

在未来“遍地开花”的智能驾驶中，不同的厂商也会基于不同的方案实现自动驾驶的可能，目前小鹏也称会采用全栈自研量产能力，实现不仅基于车端的感知、定位、规划和控制等模块的自研，还会数据通路及云端数据采集与标注、分布式网络训练等方面自研，可形成数据和算法的全闭环。

未来可期。